体育政策和培训基于无线传感器网络的决策支持方法

文摘

近年来,各级体育部门的社会意识通过科学一直在增加,促进体育和体育的科学决策和管理已经在很大程度上的改善。与应用程序的科学决策结合实时运动数据监测网络,对手的进步信息可以有效地在比赛中观察和合理的决策可以应对对手的进攻。因此,高级运动员出现在比赛中更加放松和平静。它首先需要应用先进的信息收集方法快速获取的运动数据,实时和以低成本,从大规模提取运动员科学管理决策信息数据,然后对运动训练科学管理决策。现代体育的方法是高度开放,大数据挖掘也深刻的影响着运动训练的相关决策。如何设计适当的决策支持工具,把握问题的关键点在体育信息数据和做出合理、正确的决策是一个备受关注的问题,宏观各级决策者和教练。本文主要介绍了培训决策支持方法来源于数据挖掘并打算提供一些技术方向在运动训练科学决策。提出了相关算法的培训决策支持方法来源于数据挖掘,包括培训有效性的预测模型和决策树算法,对培训的设计来源于数据挖掘决策支持方法。实验数据表明,该预测之间的平均误差训练方法的有效性和实际情况的培训决策支持方法是0.913%,这有利于管理或教练作出决定。

1。介绍

无线传感器网络是一个全面的网络信息系统的信息采集、数据处理和数据传输在指定区域。这是一个重要的基础物联网的实现,也是一个多学科研究的热点,吸引了世界的关注。传感器网络中的节点通常规模较小,自身携带的能量有限,并且容易受到攻击。因此,在设计路由协议时,如何有效地平衡节点的能量消耗,延长网络的生存时间和有效识别恶意节点是当前无线传感器网络的主要研究方向(1,2]。加上计算机硬件的广泛应用和基本数据,如数据采集设备和存储介质,人类已经显著提高数据收集功能。与科学的进步,社会各界有存储大量的不同的生产信息和管理卷,和科学研究和数据存储都在快速增长。数据挖掘有很广阔的应用前景,包括数据统计和分析,合成和反思具体的数据和指导,解决实际问题,并试图找到事件之间的关系。

掌握相关的理论知识的基础上的数据元素,理解体育信息的标准化的现状和体育信息的数据元素,澄清数据元素的重要性在体育信息的标准化,并利用经验数据元素标准在其他行业的发展,体育person-related信息数据库数据收集和组织和标准框架体系的设计运动完成个人信息的数据元素。决策支持的方法是一个信息的方法与计算机作为一种工具。它使用决策科学的理论和方法及相关行业帮助决策者解决问题在以下形式:人机交互。决策支持的方法是一种科学工具,为决策者提供了一个工作环境相结合的知识,主动性,创造力,和信息处理。通过人机对话,我们探索决策方法,使评估、预测和选择。体育与健康的人,是一个重要的一部分,社会物质文明和精神文明的建设。数据挖掘推动运动训练的研究和开发决策支持方法向更高水平发展,从而帮助教练和运动员保持他们的竞争优势。数据挖掘是信息利用的最佳解决方案由于其强大的分析和处理能力,已成为一个重要的技术手段建立的现代培训决策支持方法。它被认为是最好的解决方案的信息使用由于其强大的分析和处理能力,已成为一个重要的技术工具,建立一个现代运动训练决策支持方法(3]。

随着科学技术的发展,无线传感技术已被广泛开发。国内外在这个领域进行了细致的研究,取得了一定的结果。约瑟夫等人提出,网络已成为计算机科学中最令人兴奋的领域的研究。WSN是一组传感器与物理环境集成。这些传感器都很小,可以感知和过程物理现象。部署WSN-based应用程序的主要目的是使用sensor-perceived数据改善实时决策。传感器网络的主要限制是传感器节点的特点和产生的传感器数据网络的性质。由于这些限制,传统的数据挖掘技术不适合传感器网络。因为无线传感器网络所产生的数据资源是非常有限的,需求量大,和快速变化的,是非常具有挑战性的设计适合无线传感器网络的数据挖掘技术。虽然约瑟夫等人提出的WSN数据挖掘进行了不同的研究,仍有许多研究在他的研究中尚未解决的挑战[4]。陆等人指出,运动预测的地区之一,最近吸引了越来越多的关注,需要良好的预测精度。其中,教练需要一个模型来评估自己的球员,分析对手的团队,并制定策略。体育综合统计数据的生成使DM技术应用于提取潜在的预测信息。他们提出了一个预测模型,包括数据预处理、特征提取、属性选择和DM算法作为学习策略的应用。来验证这个模型中,他们解释说一个案例研究在预测IPL竞争的结果。所构造的模型是基于团队的过去的表现,播放器性能指标,对手团队信息,和外部因素,因此相关特性的设计来表达相同的。虽然他们的实验因素都考虑,经常有其他不可预知的因素在现实生活中,所以他们的实验研究并不普遍5]。张的研究发现,与群众体育的不断发展,越来越多的人把体育锻炼,提高了社会的整体身体健康。相反,大学生很少花时间在体育锻炼时面临巨大的学术压力。这导致贫困大学生体育锻炼的能力和整体体质的下降,严重阻碍了社会的发展。目前,大学生主要从两个方面开展体育锻炼:体育和课外运动,这两个障碍的特点。因为运动训练需要长期持续改进,现有的体育训练模型不能满足大学生的需求,提高他们的身体健康。基于关联规则的算法,因此,传统的运动训练决策模型应相应调整来提高大学生的体育训练模式和提高他们的整体身体健康。为此,章首先研究了关联规则算法,然后建立了一个决策支持方法制定大学生合理体育训练计划。这种方法有实验数据较少,是不实际的6]。在时间方面,这些研究有重要指导意义对当前无线传感器网络技术研究;在空间结构方面,研究各种传感器构成应用程序集成和数据挖掘已经扩展传感器节点的结构。然而,这些研究也有局限性,如不完整的数据提供和研究结构,进行了一定的限制,采用的方法不太适用。

不断深入的研究和广泛的无线传感器网络的实际应用,移动传感器网络得到了越来越多的关注,尤其是用于收集一些移动目标的传感器网络参数信息(7]。传感器节点部署在它需要遵循目标的移动和变化,形成一个部分连接无线网络动态拓扑变化。本文的创新如下:(1)提出了使用一个代理决策支持方法的设计人机交互界面和(2)提出的设计辅助分析模块的培训决策支持方法。

2。相关的算法基于数据挖掘的决策支持方法的培训

2.1。培训效果的预测模型

决策是一个过程,人们分析和整合信息以达到一定的目标,然后制定系统化、理论化,准确和集体行动计划和实施。的选择和判断中的每个运动员的技术动作游戏,通过大脑处理信息当教练调整比赛策略根据场上形势起了决定性的作用。由于不断变化的游戏,即使有更少的信息,决策人们仍然需要在短时间内立即作出决定。在教育和培训,通过使用数据挖掘技术,我们可以发现不同的培训对象之间的关系,不同的训练类型对运动员的影响,和不同的策略在竞争的影响。通常情况下,预测的运动训练方法的有效性是指估计相关的运动训练方法的性能指标基于历史数据,然后估计结果可以显示的影响运动员技能的训练方法的改进,帮助体育决策者和教练制定培训计划,提高培训效率尽快(8]。科学数据处理后,数据处理和收集可以遵循systemicity的原则,科学性和可伸缩性,它具有很大的实用性。通常,预测分析和处理历史数据以某种方式,然后估计未来发展的事情。一般来说,有两种常用的预测。一是分析各种影响因素的变化,然后分析这些因素的组合因素预测未来发展趋势;另一种是基于现有的因素来估计未来发展趋势(9,10]。体育是一个相对特殊的教学主题。与其他学科相比,体育教育有很高的自由和实际要求教师和学生在教学过程中,可以更好的促进学生的学习。在体育教学中,使用信息化教育教学方法能够促进体育教学效果的提高。

2.1.1。预测模型

常用的预测模型包括折线、负指数非线性衰减预测模型。这些预测模型有一个共同点,那就是,用曲线拟合样本模型时变数据和使用迭代技术来处理数据。这个过程是一个动态的扩展方法。进一步回顾文献和实验得出结论,在实际应用中,北黄海模型有明显的错误在长期预测和不适合长期预测;负指数预测模型相对简单,容易理解,但这不是普遍的,是一个非线性衰减方程。它更适合具体情况的训练方法的有效性。判断这些预测模型的实用性的先决条件是,预测数据,预测所花费的时间,和数据处理结果的可靠性都是在一定的范围内,这样可以保证获得的数据。因为训练方法的有效性的变化是非线性的,实际的参数模型有更合理的含义,和模型可以调整根据培训指标的变化,以更好的训练方法的有效性的变化不断安装和调整,直到达到一定的阈值。这时,拟合的程度是最好的,该模型在实际使用(有更好的效果11,12]。

2.1.2。评价指标

当评估培训的有效性方法的预测结果,预测模型的一些评价指标可用于评估模型的优缺点(13]。(1)RMSE是 (2)上交所是 (3)日军是 (4) - - - - - -平方误差是

ID3和C4.5 multitree的离散特性,将根据所有特征值的特性。然后,很明显,功能在任何一个分支分手后只有一个独特的价值,所以消耗的特性。

一个好的预测模型,其均方根误差,误差平方和,和平均绝对百分比应相对较小,和 - - - - - -平方误差应该接近1,这意味着预测值与实际值到一个更高的学位(14,15]。

2.2。决策树算法

决策树是一种广泛使用的方法,它不仅可以用来研究教育环境中的大量数据的帮助下还可以预测未来的结果分析(16]。决策是通过决策树表示具体的问题。在这个过程中,许多算法:使用ID3算法C4.5算法,CART算法,SLIQ算法。这些算法有不同的特点和适用范围。在经典的决策树算法(ID3、C4.5和车),没有这样的问题,“功能可以继续被使用。“应该考虑是否当前分支下的功能又可分为(或是否仍然可以使用)。有一个可用的值,这意味着它不能再分裂意味着在当前分支,该功能只有一个惟一的值。等特征的类型和数据量的大小选择适当的算法处理数据(17]。我们都知道,ID3算法主要用于离散变量。如果变量是连续的,C4.5算法用于连续变量离散化。如果当前节点 ,训练数据集将 。它包含不同的类标签 。如果元组套类标签吗在 ,和和元组的数字,那么将被分为子集 (18,19]。

2.2.1。ID3算法

决策树ID3算法重建了根据不同的训练集构造增量决策树,很多时候需要昂贵的计算完成建设和增量决策树。在这个过程中,升级的过程属性取代旧的分类属性将导致增加传感器节点的运行时间和成本。其核心概念是运用贪婪算法找到所需训练样本集从顶部层从上到下。在这个过程中,使用信息增益测量的一个重要指标,计算和数据收集每个条件属性的信息增益,然后选择信息增益的最大值从这一系列的值20.]。

一个分区的属性的信息增益被称为熵之间的差异需要之前所需的分区和熵之后吗分区(21]。有以下关系:

熵的减少是由于知识的价值属性 。熵减少

分类是提取信息的方法,以减少混乱的程度的方法,这样的方法发展更正规,更有序、更有组织的方向(22]。混乱的方法越多,熵就越大。显然,分割方案,最大化的减少熵最优分割方案(23]。

2.2.2。C4.5算法

从客观的角度来看,C4.5算法是ID3算法的优化。除了增加连续的加工特性和空缺,它也可以修剪结构化的决策树。因此,C4.5算法不仅可以延长连续特性而且过程离散的处理功能(24]。

C4.5算法使用信息增益率作为参考依据来选择测试的特点。信息增益度量间隔通常使用更多的独特功能,并使用增益率作为衡量(25]。分割信息

获得率被定义为

2.2.3。CART算法

CART算法可以更好地选择noncategorical属性,减少数据的障碍。在构建决策树时,选择noncategory属性是分不开的。选择是基于它将记录在不同的预测的情况下,然后形成一个非常复杂的树并完成修剪操作通过模型检查的结果,如交叉验证和测试集验证,从而获得最优决策树(26,27]。

基尼指数(28]

基尼指数被定义为

减少的杂志

2.2.4。SLIQ算法

ID3算法C4.5算法,CART算法适用于训练样本集数据较少,可以完全存储在磁盘上。然而,当训练样本集太大,不能完全存储在磁盘上,SLIQ算法可以使用[29日]。SLIQ算法也使用基尼系数作为测量指标对属性进行分类。除了处理数值属性,它还可以处理分类属性(30.]。数据预处理的过程中,SLIQ可以预分类所有数值属性,它的目的是最大化的成本计算分支计划(31日]。

本文中的算法研究的具体过程如表所示1。

2.3。无线传感器网络

目前,无线网络迅速发展。根据网络结构,它们可以被分为两种类型:无线网络与无线网络基础设施和基础设施。其中,无线网络没有基础设施包括移动ad hoc网络(MANET)和无线传感器网络(WSN)。无线传感器网络是一个综合学科,涉及微电子系统、网络通信和嵌入式计算。这是一个重要的基础实现物联网和目前最关注的技术之一(32]。

随着科学的进步,传感器节点的集成和小型化程度越来越高,所以,传感器节点可以部署在特殊的或危险的环境中人类无法进入的。然而,没有成熟的可再生能源传感器节点的能量。因此,传感器节点的大小减少而携带也限制,和部署的传感器节点通常难以提供二次能源。因此,如何延长网络生存时间是必要的考虑。在设计,不仅有效地利用节点能量必须考虑也必须考虑整个网络的能量平衡,以避免网络中“热结节”的问题。网络颤振如图1。

中定义的节点的剩余能量归一化形式,如下:

在哪里代表当前的剩余能量的节点的价值。假设最初遇到的概率ξ所有节点是0:

成功传输概率的概率表示每个节点向基站发送信息。计算公式如下:

在哪里[0,1]之间是一个常数。信息的重要性,表明信息传输的可靠性。

选举的等待时间的计算需要集成节点的剩余能量和节点的环境信任值平衡能源问题和实现安全集群。

等待时间的基础。

3所示。运动训练的设计基于数据挖掘的决策支持方法

3.1。选择软件开发工具的运动训练决策支持方法

3.1.1。支持翻译生成的工具

移动传感器网络的拓扑结构动态变化,和节点不能保证基站发送最终将接收的信息(33]。因此,节点必须把生成的信息本身的复制回队列后将信息转发给其他传感器节点(nonbase站)。这些工具有时会直接用于特定的决策支持方法或决策支持方法生成器和成为一个重要的工具作为一个特定的决策支持方法的一个实体或决策支持方法,如不同的高级语言(COBOL、帕斯卡、API等),可以用来开发一个决策支持方法的各种元素。此外,还有窗口软件、数据库管理软件,统计分析软件包。

3.1.2。数据生成工具来支持

有数据编辑软件、数据库维护软件对话编辑软件,等。有更先进的全面、多功能软件工具包,如Lotus l-2-3,知识,和第四代语言映射器,可用于开发应用程序的方法更快的决策支持方法。

3.1.3。通用工具

(1)操作方法。操作方法是任何应用程序的支持环境软件正常运行。选择一个更好的操作方法环境决策支持方法的发展是至关重要的。目前,常用的操作方法是MSDOS, drdo, Unix, Xenix, Windows和Linux。

(2)编程语言。编程语言是一个不可或缺的工具来开发应用软件。决策支持方法的不同组件的设计需要一个特定功能的编程语言。目前,常用的编程语言用来开发决策支持方法可以分为以下两类:一是面向问题的语言具有强大的计算能力,丰富的图形功能,和良好的跟踪效果。它是用于开发决策支持方法与大量的数值计算,人机交互,和图形成像;另一个是符号处理语言,为人工智能设计。他们都有搜索和匹配功能,以及其他常见功能发展的智能决策支持方法。

(3)工具来支持数据。例子是数据处理软件、文件处理软件、数据提取方法,和数据库管理方法。区别在于一些相关的数据库管理方法,智能数据库管理方法等,从而更好地满足决策支持方法的数据管理需求。一些数据库管理方法是自治过程语言方法,提供有效的支持数据和模型的集成和综合管理。

(4)支持集成的工具。例子是集成软件MSCMT、通信软件、接口软件,转换软件,集成的工具软件CTS。CTS是一个开发的工具软件在IBM PC兼容的计算机或生成工具和工作环境,支持用户应用软件的开发和操作方法。它可以有效地完成软件方法和模块集成,菜单配置,操作控制和维护管理。支持集成的工具和应用程序功能模块由用户或直接应用在一起构成一个完整的应用程序的方法。

3.2。运动训练决策支持方法的模块化设计

3.2.1之上。人机交互模块

在这种方法中,人机交互模块的角色之间的信息交换方法用户(管理员和决策者)。该方法的人机交互模块负责接收相关信息由用户输入的方法,同时提供内部计算的结果在用户需要的方法。在此方法中,有两种不同类型的用户,也就是说,用户管理用户和决策者。由于操作员的职责和任务和决定用户是完全不同的,人机界面功能交互单元。该方法分为操作员用户界面和用户界面的决定。

我们把代理的人机交互界面,接受计划的任务安排,然后将其传递给功能代理,要求规划师输入必要的物理和测试信息;计划制定后,这将是沟通计划,它将科学解释根据用户的需求,所以必须有一个相应的解释机制内部界面剂。界面剂由知识库、模型库,通信单元,推理引擎等等。知识库存储知识对决策者的偏好、组织接口方法、集成和接口函数。模型库中存储的基本对象的人机界面和用户模型是不断调整和存储在模型库基于特定的用户习惯和知识领域。接口的内部组件剂相互作用通过推理引擎。推理引擎的主要工作是更新知识库和模型库结合知识库、模型库,用户历史记录,等等,使人机界面更加科学合理的和用户友好的和最终实现的目标实现一个智能用户界面。

3.2.2。模型库设计

模型库的建立是决策支持方法更好地管理和使用的内部模型方法。在决策支持方法的操作软件模型,一些模型可称为很多次了。为了改善这些模型的通用性,使用的模型决策支持方法可以存储在模型库根据关键模块。这些模型库的基本模块并不直接相关,但当需要调用这些单位的方法,方法库中存储的方法可以用来把这些所谓的模块,这样的需求可以被认为是通过计算。

3.2.3。数据集设计

数据集模块由三个子单元:数据列表、数据输入和参数设置。主要解决了早期的决策支持方法和数据处理的问题提供了数据提取目标数据源。这种方法首先之前收集并分析数据,然后接收数据通过特定的技术更加复杂。相关参数的调整是最重要和关键的准确性,并确定最终的决策依据。

为了使数据集方法管理的正常运行,第一个出口,转换和干净的数据或数据从外面。目的是将这些不同类型的数据集成到一个表单。这些数据可以存储在一个特定的数据集或直接输入到数据库管理方法进行处理。当输入数据到管理方法进行处理,该方法也应该参考前面定义的数据集模块进行处理。最后一个是创建一个数据集支持决策和直接分析的数据源。

3.2.4。数据挖掘设计

数据挖掘包括两个模块,数据处理和规则管理,核心和核心方法设计单位的整个决策支持方法。主要完成数据的两个函数优化和数据预测和分析,从而实现数据的预测,特别是存储、分类和组织相关运动员的身体条件,然后使用数据库来完成辅助接收函数的设计。

本文中数据挖掘的应用程序主要是实现体育决策的科学发展。这个应用程序的科学信息决策的目的是进行数据分析通过实际问题和各方面之间的连接。

3.2.5。辅助分析模块

模块包含两个辅助单元:数据比较和辅助决策。其目的是提供及时、准确、各种形式的高层决策者的信息或运动鞋满足决策的需要。一旦决策者获得这些信息,他们可以首先分析信息,然后模糊匹配知识库。如果一个高度匹配的知识可以找到,相应的知识是用来做决定;如果只有部分匹配是可能的,匹配的知识的一部分作为条件,和推理机制和规则的知识库用于继续匹配,直到可以做出决定或没有知识是可用的。如果没有知识,相应的解释。知识库中的规则和知识不断增加和更新的问题处理。

总之,本文通过实验提出了一种基于数据挖掘的决策支持方法培训;这个过程如表所示2。

4所示。实验结果和分析

4.1。实验分析

(1)RMSE等四个评价指标, 平方误差,日军和SSE评估模型的准确性:预测模型分为多段线类型、负指数类型和非线性衰减类型。评价指标的值的每个模型的预测结果如表所示3和图2

众所周知,RMSE,日军,上交所应该尽可能小,和 - - - - - -平方误差应该接近于1。从图表可以看出,负指数的值类型的值小于多线类型,和多段线的值类型小于该值对应的非线性衰减类型,所以负指数预测模型的预测误差影响较小。的 - - - - - -平方误差值接近1的对应值折线非线性衰减类型和类型,所以负指数预测模型有更好的预测影响运动训练方法的有效性,及其预测的结果与实际值到一个更高的学位。(2)根据预测模型和决策树算法在本文中,使用一个特殊的节点来评估模型的准确性:样本训练集和测试集的预测精度如表所示4和图3

最后的结果表明,这三个模型的训练结果相似,预测率也非常高,训练集不是overfitted。(3)MySQL数据库,使用数据挖掘决策树算法,和其他关键技术用于创建系统:为了加强操作系统的性能,需要对系统性能进行测试。如果发现异常,异常数据可以记录下来。测试结束后,开发人员可以提高系统运行的异常数据,以确保稳定的数据。这个性能测试主要是检测系统的平均响应时间和并发用户的最大数量。通过系统的基本操作,观察系统是否能够正常响应在不同阶段或不同条件下。这个性能测试操作执行数据收集、数据挖掘、数据筛选、数据更新、数据共享等功能,和特定的条件被卷入图表,如表所示5和图4

无线传感器网络部署大量的传感器节点在检测区域,这样的节点形成一个无线网络的自组织和多次反射的方式。图表显示了这一次的性能测试情况,性能测试的过程和结果的详细记录。这个性能测试操作执行数据收集、数据挖掘、数据筛选、数据更新、数据共享等功能。并发下的不同阶段,该算法系统的平均响应时间不超过4.5秒,和所有的并发测试项目在不同阶段不超过4.5秒,这确保了系统的用户的操作体验。(4)运动员训练和体能系统中的数据分为训练集和测试集:在PyCharm3.3的集成开发环境,四的ID3决策树算法C4.5,购物车,SLIQ用于使用数据。设置不同的决策方法,然后使用相同的测试集数据评估决策方法的性能。根据四个评价指标的准确性、精密,回忆,和 - - - - - -值,选择适合本研究最优算法。具体情况如表所示6和图5

基于这两种算法的特点和性能评估的预测结果,可以看出,在这项研究中,C4.5决策树算法更适合和预测结果更可靠。因此,本文将使用C4.5决策树算法研究和应用培训基于数据挖掘的决策支持系统。

4.2。系统测试分析

测试系统。假设检验的目的是为最终的客户提供一个客观的评价与一定程度的信心。然后,测试必须直接目标的实际应用中经常使用的模块。因此,培训决策支持系统是用来预测训练方法的有效性,和系统测试操作界面如图6。

这个接口主要连接各种数据节点和集中的地区负责每个节点,如运动员、教练,和培训决策方法,输入终端,用户评论的页面。这些数据进行分类和存储背景下操作。(1)介绍三种成熟的运动训练方法从外部进行预测和比较系统的预测结果与实际结果测试系统的性能。预测结果如表所示7和图7

三种成熟的训练方法是用来进行仿真实验,预计获得的数据根据决策树算法,无线传感器网络技术是用于数据处理。从图表数据可以看出,系统测试的结果与实际结果之间的差异很小,平均误差0.913%,基本符合实际情况。该系统可以完成决策支持系统提供数据依据。系统的数据预测和分析的结果通常是更合理和有效的,可以为相关研究提供决策支持。在性能方面,系统采用最小二乘法和线性回归分析方法与数据挖掘相结合,分析在某些数据条件下是更准确,趋于稳定。这种研究方法的各种测试图所示8。

根据测试结果图8,这个算法的响应时间最长为0.277,存储时间最长为0.44,信号发送的最长时间是0.87,和接收时间匹配。

4.3。结果和讨论

该指数预测模型分析技术是一种数据驱动的句法分析技术。它使用一个标准的监督机器学习方法。因此,决定依赖语法分析器是依赖带安全标签的数据时,也就是说,当有足够的带安全标签的数据时,当它匹配的数据字段标签,分析仪的性能是最好的;否则,分析仪的性能将降低。通过改进传统的算法,算法移植到云计算平台,借助云技术的并行处理能力,大规模数据挖掘的问题也会得到解决。

5。结论

与传统网络相比,网络有许多新特性的特点,这不仅要求网络传输效率也更高网络的可靠性有更高的要求。由于传感器网络通常是在严酷的部署环境中,这将导致更大的干扰无线连接。中典型的问题是高噪声的信道,传输路径的损失,无线路径的多径和阴影效果。这些问题不仅会降低网络的传输质量,还降低了通信的可靠性。因为节点的权力有限,传感器网络的地方高要求网络传输能耗的效率。体育训练决策支持系统是一种新型的信息系统由信息引入决策支持系统。它使用信息作为手段和计算机科学和相关的科学理论和方法适用于解决半结构式体育训练和非结构化的决策问题。它提供背景材料、协助明确问题、修改和改进模型,列出了可能的解决方案,进行比较分析和其他方法提供帮助经理和教练做出正确的决定。本文提出了数据挖掘的应用训练决策,建立了运动训练基于数据挖掘、决策支持系统和设计代理人机交互接口,使人机界面更加科学、合理、人性化和最终实现智能用户接口的目的。实现动态电压调节(dv)的传感器节点在实际的物理平台预计将进一步实现能源消耗的控制节点。

数据可用性

没有数据被用来支持本研究。

的利益冲突

在我的论文没有潜在的竞争利益。

确认

这项工作得到了社会科学基金西安和陕西”的社会科学基金研究的评价指标体系,应用大学教师在中国科学研究”。

引用

1. z Cai, z, x关,y,“集体data-sanitization防止敏感信息在社交网络推理攻击,”IEEE可靠和安全的计算,15卷,不。4、577 - 590年,2018页。视图:谷歌学术搜索
2. f·h·沈m . Zhang h . Wang郭,w .苏西洛,“cloud-aided保护隐私多维数据比较协议。”信息科学,卷545,不。1,第752 - 739页,2021。视图:出版商的网站|谷歌学术搜索
3. x z Cai和郑”,私人和高效智能cyber-physical系统上传的数据的机制,”IEEE网络科学与工程,7卷,不。2、766 - 775年,2020页。视图:出版商的网站|谷歌学术搜索
4. s r·约瑟夫·h·Hlomani, k . Letsholo“数据挖掘算法:概述,”神经科学,12卷,不。3、719 - 743年,2016页。视图:谷歌学术搜索
5. r·h·Lu Setiono h·刘,“有效使用神经网络数据挖掘,”知识工程IEEE &数据,8卷,不。6,957 - 961年,2016页。视图:出版商的网站|谷歌学术搜索
6. d .张”,研究大学生体育训练决策支持系统基于关联规则算法,”航空杂志上de la Facultad de Ingenieria,32卷,不。15日,第726 - 723页,2017年。视图:谷歌学术搜索
7. b·杨,李x, y侯et al .,“非侵入性(非接触式)人类热生理信号测量和热舒适/不适造成审查,”能源和建筑第110261条,卷。224年,2020年。视图:出版商的网站|谷歌学术搜索
8. d . a . Adeniyi z,和y .涌泉,“自动化web使用数据挖掘和推荐系统使用再分类方法(资讯),“应用计算和信息,12卷,不。1,第108 - 90页,2016。视图:出版商的网站|谷歌学术搜索
9. j . l, c .江j . Wang元,和y任,“在大数据信息安全:隐私和数据挖掘,”IEEE访问,卷2,不。2、1149 - 1176年,2017页。视图:谷歌学术搜索
10. m . Jahanbakht w .香、l . Hanzo和m·拉希米Azghadi”物联网的水下和大型海洋数据分析综合调查,“IEEE通信调查&教程、第二季度,23卷,不。2、904 - 956年,2021页。视图:出版商的网站|谷歌学术搜索
11. a . Chinchuluun p . Xanthopoulos诉托玛依诺,p . m . Pardalos”的数据挖掘技术在农业和环境科学国际农业和环境信息系统杂志》上,1卷,不。1,8 - 12,2010页。视图:谷歌学术搜索
12. a . Kasperczuk和a . Dardzińska”比较评估不同的数据挖掘技术用于医学数据库,”自动化学报Mechanica等,10卷,不。3、233 - 238年,2016页。视图:出版商的网站|谷歌学术搜索
13. 郭z z . m . Zhang, e . p .邢和c·凯利,“多通道数据挖掘在多媒体数据库基于结构化马克斯边学习,”ACM交易数据的知识发现,10卷,不。3、外墙面,2016页。视图:出版商的网站|谷歌学术搜索
14. 桥本,k . Nanko bŤupek, a . Lehtonen“数据挖掘分析的全球分布的土壤碳在地球观测数据库和系统模型,”立模型开发,10卷,不。3、1321 - 1337年,2017页。视图:出版商的网站|谷歌学术搜索
15. a . Griparis d Faur, m . Datcu“降维的可视化数据挖掘地球观测档案,“IEEE地球科学&遥感信,13卷,不。11日,第1705 - 1701页,2016年。视图:出版商的网站|谷歌学术搜索
16. d . Wilk-Kolodziejczyk k . Regulski g . Gumienny b . Kacprzyk s Kluska-Nawarecka和k . Jaskowiec“数据挖掘工具识别组件压缩石墨微观结构的铁根据合金元素的内容,“国际先进制造技术杂志》上,卷95,不。9 - 12,3127 - 3139年,2018页。视图:出版商的网站|谷歌学术搜索
17. r . Geetha s Sugirtharani, b·拉克希米”自动检测青光眼的视网膜眼底图像通过图像处理和数据挖掘技术,”国际期刊的计算机应用程序,卷166,不。8日,中山,2017页。视图:出版商的网站|谷歌学术搜索
18. a·g·Mohapatra和s . k . Lenka”混合决策支持系统使用PLSR-fuzzy GSM-based模型定位精准农业灌溉通知和控制”国际智能系统技术与应用杂志》上,15卷,不。1,4-18,2016页。视图:出版商的网站|谷歌学术搜索
19. a·吉兰l . j . Herrera h·珀玛罗哈斯,和f . Liebana-Cabanillas”决策支持系统,以确定意图在社交网络上使用移动支付系统:方法论的分析,“国际期刊的智能系统没有,卷。31日。2、153 - 172年,2016页。视图:出版商的网站|谷歌学术搜索
20. r·c·Amland j·m·哈雷和j·j·里昂,“一个多学科败血症程序通过一个两阶段的临床决策支持系统:影响病人结果的因素,”美国医学杂志质量的官方杂志美国大学的医疗质量没有,卷。31日。6,501 - 508年,2016页。视图:出版商的网站|谷歌学术搜索
21. 诉Gopalakrishnan) r . Baskaran,万卡特拉曼·莱马克里斯,“无线剂量记录器的设计和实现网络辐射应急决策支持系统,”审查的科学仪器,卷87,不。8日,第085107条,2016年。视图:出版商的网站|谷歌学术搜索
22. b . k . Blaylock j . d . Horel s t·斯通,“云存档和数据挖掘的高分辨率快速刷新预测模型输出,“电脑与地球科学卷。109年,43-50,2017页。视图:出版商的网站|谷歌学术搜索
23. 和k . s . y . b . r . Li Wang Wang”小说为时尚产品设计评价方法基于数据挖掘,”制造业的进步,5卷,不。4、370 - 376年,2017页。视图:出版商的网站|谷歌学术搜索
24. j . Vijayashree和n . c . s . NarayanaIyengar心脏病预测系统使用数据挖掘和混合智能技术:复习一下,”国际杂志、生物科学和生物技术,8卷,不。4、139 - 148年,2016页。视图:出版商的网站|谷歌学术搜索
25. s·r·p·谢蒂和美国Joshi糖尿病预测和监测的工具使用数据挖掘技术,”国际信息技术和计算机科学杂志》上,8卷,不。11日,26 - 32,2016页。视图:出版商的网站|谷歌学术搜索
26. t·j·马修和j·c·r·Alcantud“勘误表”一种新颖的算法,基于模糊软集的决策从multiobserver输入参数数据集”(信息融合29 (2016)142 - 148],”信息融合,33卷,不。C, 113 - 114年,2017页。视图:出版商的网站|谷歌学术搜索
27. p . Caruana-Galizia和m . Caruana-Galizia离岸金融活动和税收政策:证据从泄露的数据集,”《公共政策,36卷,不。3、457 - 488年,2016页。视图:出版商的网站|谷歌学术搜索
28. f . Kajuth t . a . Knetsch, n . Pinkwart”评估房价在德国:证据从一个地区性的数据集,”欧洲房地产研究杂志》上,9卷,不。3、286 - 307年,2016页。视图:出版商的网站|谷歌学术搜索
29. a·艾哈迈迪·e·米切尔,c级et al .,“向自动活动分类和评估在体育运动训练,”IEEE物联网,卷2,不。1,23-32,2015页。视图:出版商的网站|谷歌学术搜索
30. m . Jelii o . Uljevi, n . Zeni“肺功能在青春期前的孩子:被动吸烟的影响和体育训练,”黑山体育科学与医学杂志》上》第六卷,没有。1,第72 - 65页,2017。视图:谷歌学术搜索
31. 诉,p .刘贤Siu k . l .白菜et al .,”一个自适应临床决策支持系统为老年人和慢性病医疗服务行业,“专家系统,36卷,不。2篇文章e12369 2019。视图:出版商的网站|谷歌学术搜索
32. j·杨,j . Zhang和h . Wang”城市交通控制软件通过多智能物联网定义深度强化学习方法,“IEEE智能交通系统,没有。99年,1-13,2020页。视图:出版商的网站|谷歌学术搜索
33. x, y刘,刘p . et al .,“计算机视觉技术应用于收集HVAC控制信号,“51卷,没有。5、1 - 12,2021页。视图:谷歌学术搜索

版权

版权©2021智。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。